
作者:丁点helper
来源: 丁点帮你
前面2篇R语言相关的文章以泰坦尼克号的数据为例,介绍了描述性统计中用到的计算操作,以及柱形图的绘制操作。今天我们继续聊聊如何在R中绘制直方图和散点图。
绘制直方图
仍使用titanic.csv这个数据。
# 导入数据 titanic <- read.csv("//Users//Desktop//titanic.csv",header = TRUE) names(titanic) # 查看titanic中的变量名 [1] "pclass" "survived" "sex" "age" "sibsp" "parch"
假设我们想对age这个变量绘制直方图,了解泰坦尼克号上乘客的年龄分布,可用hist()这个函数:
hist(titanic$age)
上图中直方图标题、颜色、坐标轴名称均可调整:
hist(titanic$age, col='orange', main='Passenger Age', lwd=2, xlab='Age (years)')
其中,col、main、xlab这三个命令在之前的文章中讲过;lwd为线条宽度命令,取值须为整数,默认值为1。
绘制散点图
接下来我们看看如何绘制散点图。还是老规矩,要用到的数据可通过以下方式下载:
文件名: wb.csv
链接: https://pan.baidu.com/s/1gOAuccW5i8cIW5HaPHnm8A
密码: nc5u
这是世界银行(word bank)对部分国家社会、经济、环境指标的统计数据。
# 导入数据 wb <- read.csv("//Users//Desktop//wb.csv",header = TRUE) names(wb) # 查看wb中的变量名 [1] "Country" "Code" "Population" "Rural" "GNI" "IncomeTop10" "Imports" [8] "Exports" "Military" "Cell" "Fertility66" "Fertility16" "Measles" "InfMort" [15] "LifeExp" "PM2.5" "Diesel" "CO2" "EnergyUse" "FossilPct" "Forest94" [22] "Forest14" "Deforestation" "GunTotal" "GunHomicide" "GunSuicide" "GunUnint" "GunUndet" [29] "GunsPer100"
这里我们先关注第五个变量『GNI』,其意义是人均国民收入。GNI是Gross National Income的缩写;再关注第18个变量『CO2』,其意义是人均二氧化碳排放量。
一项研究想观察人均国民收入和人均二氧化碳排放量之间存在何种关系,由于二者均为数值型变量,我们可以用散点图的方式直观感受一下:
plot(wb$GNI,wb$CO2, main="CO2 vs. GNI (both per capita)", xlab="Gni per capita", ylab="CO2 per capita", col="red", pch=19) # col命令的取值还可以是数字,本例中red对应的数字是2 plot(wb$GNI,wb$CO2, main="CO2 vs. GNI (both per capita)", xlab="Gni per capita", ylab="CO2 per capita", col=2, pch=19)
上面两条代码的运行结果是一样的。wb$GNI 和 wb$CO2 分别为散点图的横轴和纵轴;pch表示点的形状,取值为整数,本例中用到的19表示圆点。
下面用一个图片来给大家介绍1-20的数字分别代表什么颜色、什么形状:
plot(c(1:20),rep(1,20),col=c(1:20),pch=c(1:20),cex=2)
cex表示对图中的文本或符号放大多少倍,大家可自行在R中操作,感受cex=1时图像的变化。
举个例子,col=15:黄色;pch=15:方块。在R中,可选的颜色还有很多,大家可以查看下图中的颜色名称,绘图时在col命令中输入即可。
手机用户可横屏查看效果更佳,告别大红大蓝秋裤色就靠它了~
今天就学到这里啦,之后还有更多R绘图课程来和大家见面!
——热门课程推荐:
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11